趙小虎 鄧園芳 劉閃閃

摘 要：煤礦物聯(lián)網(wǎng)是近幾年興起的熱點(diǎn)研究領(lǐng)域。針對(duì)煤礦物聯(lián)網(wǎng)分布式環(huán)境下微震數(shù)據(jù)量大的問(wèn)題，引入分布式壓縮感知理論對(duì)微震數(shù)據(jù)進(jìn)行壓縮以減小數(shù)據(jù)傳輸量。以分布式微震信號(hào)為對(duì)象，通過(guò)傅里葉變換基對(duì)其進(jìn)行稀疏性分析，論證了可以用壓縮感知相關(guān)理論對(duì)微震數(shù)據(jù)進(jìn)行壓縮處理?；趶V義正交匹配追蹤算法及稀疏度自適應(yīng)匹配追蹤算法，提出了一種改進(jìn)的分布式稀疏度自適應(yīng)正交匹配追蹤重構(gòu)算法?；贛ATLAB仿真平臺(tái)，用改進(jìn)的算法重構(gòu)稀疏測(cè)量后的分布式微震信號(hào)，仿真結(jié)果表明，該算法在減少計(jì)算量的前提下有效地恢復(fù)了原始微震信號(hào)。

關(guān)鍵詞：分布式壓縮感知；數(shù)據(jù)壓縮；微震信號(hào)；稀疏性；重構(gòu)

中圖分類(lèi)號(hào)：TD65 文獻(xiàn)標(biāo)志碼：A [WT]文章編號(hào)：1672-1098（2017）03-0031-07

Abstract：Mine IoT is a hot research field in recent years. Aiming at effectively processing the large amount of micro-seismic data in distributed environment of Mine IoT， the DCS theory is introduced to compress micro-seismic data to reduce the amount of data transmission. Fourier transform（fft） was adopted to analyze the sparse of micro-seismic signals，and the result demonstrates that micro-seismic data can be compressed by related theory of CS. With reference to gOMP algorithm and SAMP algorithm， a modified distributed sparsity adaptive OMP reconstruction algorithm was put forward. Then based on the MATLAB simulation platform， we adopted the proposed algorithm to reconstruct the micro-seismic signals after sparse measurement， in which the simulation results show that the improved algorithm could better recover original micro-seismic signals.

Key words： distributed compressed sensing ；data compression ； microseismic signals ；Sparsity；reconstruction

近幾年，隨著礦山物聯(lián)網(wǎng)、智能礦山等概念被提出[1]，煤礦企業(yè)建設(shè)礦井物聯(lián)網(wǎng)的積極性很高。因此，將網(wǎng)絡(luò)化、分布式的傳感器應(yīng)用在煤礦井下，為實(shí)現(xiàn)礦山安全泛在感知提供了可能。隨著物聯(lián)網(wǎng)技術(shù)在煤礦生產(chǎn)中引入，用于生產(chǎn)過(guò)程、安全環(huán)境、人員和設(shè)備等異構(gòu)復(fù)雜傳感器所采集的實(shí)時(shí)監(jiān)控?cái)?shù)據(jù)將呈現(xiàn)幾何倍數(shù)的增長(zhǎng)，這些海量數(shù)據(jù)對(duì)煤礦現(xiàn)有的網(wǎng)絡(luò)傳輸線路和設(shè)備、數(shù)據(jù)處理和存儲(chǔ)設(shè)備都將形成巨大挑戰(zhàn)。數(shù)據(jù)壓縮是一種能有效減少數(shù)據(jù)量的數(shù)據(jù)處理技術(shù)。近幾年提出的壓縮感知理論[2]（Compressed Sensing，CS）是一個(gè)介于數(shù)學(xué)和信息科學(xué)的新的研究方向，打破了傳統(tǒng)的奈奎斯特采樣定律，壓縮感知理論的精華是將信號(hào)采集與壓縮兩個(gè)過(guò)程通過(guò)一個(gè)感知環(huán)節(jié)來(lái)完成即直接采集的就是稀疏信號(hào)本質(zhì)有用的信息，重構(gòu)時(shí)再由降采樣得到的少量信息重構(gòu)出高分辨率的信號(hào)。這樣就減少了基于傳統(tǒng)方法帶來(lái)的傳感器硬件昂貴、采樣數(shù)據(jù)量大、傳輸信道壓力大、以及后端處理代價(jià)高、做大量無(wú)用功等問(wèn)題[3]。無(wú)線傳感網(wǎng)中傳感器節(jié)點(diǎn)分布密集，若對(duì)采集到的所有數(shù)據(jù)直接進(jìn)行傳輸，會(huì)導(dǎo)致網(wǎng)絡(luò)擁塞，壽命縮短?？紤]到壓縮感知的最大優(yōu)勢(shì)在于壓縮率高，所需要傳輸?shù)臄?shù)據(jù)量小，文獻(xiàn)[4]在壓縮感知和分布式信源編碼的基礎(chǔ)上，提出了分布式壓縮感知（Distributed Compressed Sensing， DCS）理論。分布式壓縮感知理論是將壓縮感知的思想擴(kuò)展應(yīng)用到多個(gè)相關(guān)信號(hào)中，建立信號(hào)群的聯(lián)合稀疏模型，利用節(jié)點(diǎn)信號(hào)之間的相關(guān)性去除冗余信息，從而降低信息壓縮的復(fù)雜度，使較少的測(cè)量次數(shù)包含充分的信息量，很好的適應(yīng)并解決了煤礦發(fā)展可能遇到的瓶頸問(wèn)題[5]。目前，將壓縮感知理論應(yīng)用到煤礦中的研究尚屬于理論研究的起步階段。文獻(xiàn)[5]將壓縮感知理論引入到物聯(lián)網(wǎng)背景下的下一代煤礦通信系統(tǒng)中，利用前沿的信息處理理論和技術(shù)，通過(guò)對(duì)源端數(shù)據(jù)的壓縮采集理論方法研究，為克服礦山信息傳輸瓶頸問(wèn)題進(jìn)行了學(xué)科前沿探索。文獻(xiàn)[6]針對(duì)煤礦物聯(lián)網(wǎng)這個(gè)應(yīng)用環(huán)境，提出了改進(jìn)的基于小波變換LSC-CS理論，基于Matlab仿真平臺(tái)，模擬井下環(huán)境，對(duì)溫度、濕度數(shù)據(jù)進(jìn)行仿真，對(duì)降低數(shù)據(jù)在傳輸、存儲(chǔ)等方面的能量消耗具有重要意義。本文以礦山物聯(lián)網(wǎng)為背景，分析了分布式壓縮感知理論相對(duì)于其他數(shù)據(jù)融合技術(shù)在礦山物聯(lián)網(wǎng)中的應(yīng)用優(yōu)勢(shì)。針對(duì)分布式微震監(jiān)測(cè)系統(tǒng)中數(shù)據(jù)量大的問(wèn)題，基于分布式壓縮感知理論對(duì)微震信號(hào)進(jìn)行壓縮處理。由于現(xiàn)有的大多數(shù)重構(gòu)算法都以信號(hào)的稀疏度為先驗(yàn)信息且不適應(yīng)于分布式場(chǎng)景，在廣義正交匹配追蹤（Generalized OMP，gOMP）算法及稀疏度自適應(yīng)匹配追蹤（Sparsity Adaptive MP，SAMP）算法的基礎(chǔ)上，本文提出了一種改進(jìn)的分布式稀疏度自適應(yīng)正交匹配追蹤重構(gòu)算法以減少分布式微震信號(hào)的數(shù)據(jù)量。1 分布式壓縮感知理論分布式壓縮感知理論充分利用了信號(hào)內(nèi)部和信號(hào)之間的相關(guān)結(jié)構(gòu)。在一個(gè)典型的分布式場(chǎng)景中，考慮一定數(shù)目的相互之間具有相關(guān)性的傳感器信號(hào)，每個(gè)信號(hào)都可以在某一特定基或某些特定基下稀疏表示，每個(gè)傳感器通過(guò)將測(cè)量到的信號(hào)映射到另一個(gè)與稀疏基不相關(guān)的基（如：隨機(jī)基）上進(jìn)行獨(dú)立編碼，然后將少量的投影結(jié)果傳輸?shù)絽R聚點(diǎn)[7]。在滿足一定條件的情況下，匯聚點(diǎn)的譯碼器就能準(zhǔn)確地重構(gòu)出每個(gè)傳感器信號(hào)。分布式壓縮感知的基本理論框架如圖1所示，為方便起見(jiàn)，以三個(gè)信號(hào)為例，包括了稀疏表示、低維測(cè)量和聯(lián)合重構(gòu)這三個(gè)要素。

無(wú)論是壓縮感知理論還是分布式壓縮感知理論，都是建立在信號(hào)是稀疏的或是在某個(gè)基下稀疏表示（或近似稀疏表示）的基礎(chǔ)上。微震信號(hào)在時(shí)域不具有稀疏性特點(diǎn)，選用fft傅里葉稀疏基對(duì)其進(jìn)行稀疏變換，變換后的系數(shù)分布情況如圖3所示。3組微震數(shù)據(jù)頻率域系數(shù)除了0頻附近的稀疏基大于零，在高頻部分幾乎全接近于零，滿足了分布式壓縮感知理論對(duì)信號(hào)必須稀疏性的要求，可以采用壓縮感知相關(guān)理論對(duì)微震信號(hào)進(jìn)行處理和重構(gòu)。

4 改進(jìn)的基于gOMP及SAMP算法

的DCS重構(gòu)算法分布式微震監(jiān)測(cè)系統(tǒng)下，監(jiān)測(cè)節(jié)點(diǎn)將會(huì)采集到海量數(shù)據(jù)。在對(duì)微震信號(hào)處理的過(guò)程中，重構(gòu)算法是其核心內(nèi)容之一，它的重構(gòu)效果將會(huì)直接影響到微震信號(hào)質(zhì)量的好壞。一些學(xué)者自分布式壓縮感知理論產(chǎn)生以來(lái)，一直致力于研究壓縮感知的重構(gòu)算法，也取得了新的研究進(jìn)展，提出了多種基于分布式壓縮感知的信號(hào)重構(gòu)算法。目前的分布式算法從原理上看有很多是壓縮感知算法的分布式版本，包括兩大類(lèi)，一類(lèi)是凸規(guī)劃類(lèi)，另一類(lèi)是貪婪追蹤算法。作為壓縮感知的重要分支，貪婪迭代類(lèi)算法在分布式場(chǎng)景中得到了深入的研究和廣泛的發(fā)展。正交匹配追蹤（OMP）算法[13]是MP算法的改進(jìn)，與MP算法相比，OMP算法保證了每次迭代的最優(yōu)，降低了迭代的次數(shù)。gOMP算法[14]可以看作為OMP算法的另一種推廣，OMP每次只選擇與殘差相關(guān)最大的一個(gè)，而gOMP則是簡(jiǎn)單地選擇最大的S個(gè)。大部分OMP及其改進(jìn)算法都需要已知信號(hào)的稀疏度K，一般在實(shí)際中這個(gè)是不知道的。SAMP算法[15]得以提出。本文提出的算法在gOMP及SAMP算法的基礎(chǔ)上進(jìn)行改進(jìn)，使其不依賴于信號(hào)的稀疏度，又能對(duì)多信號(hào)進(jìn)行聯(lián)合重構(gòu)，在每次迭代過(guò)程中采取類(lèi)似于gOMP的重構(gòu)策略。

從表1中可以看出，在測(cè)量數(shù)較低時(shí)，用本文的算法重構(gòu)微震信號(hào)的誤差也是可觀的。說(shuō)明了本文的算法重構(gòu)微震信號(hào)是可靠的。

6 結(jié)論

針對(duì)網(wǎng)絡(luò)化、分布式場(chǎng)景下，井下微震數(shù)據(jù)量大、節(jié)點(diǎn)能量有限等問(wèn)題，本文基于分布式壓縮感知理論，對(duì)分布式微震信號(hào)進(jìn)行分析。

1） 分析了微震信號(hào)的稀疏性，論證了其可以用壓縮感知相關(guān)理論進(jìn)行數(shù)據(jù)壓縮。

2） 提出了一種分布式稀疏度自適應(yīng)的正交匹配追蹤重構(gòu)算法，仿真分析了稀疏度與測(cè)量數(shù)對(duì)算法重構(gòu)性能的影響，并分析了產(chǎn)生影響的原因。

3） 用隨機(jī)生成的高斯隨機(jī)矩陣作為觀測(cè)陣對(duì)信號(hào)進(jìn)行低維觀測(cè)，用本文提出的重構(gòu)算法對(duì)低維測(cè)量后的數(shù)據(jù)進(jìn)行重構(gòu)，仿真結(jié)果實(shí)現(xiàn)了用較少的觀測(cè)量較好的恢復(fù)了原始微震信號(hào)。

參考文獻(xiàn)：

[1] 吳立新，汪云甲，丁恩杰，等. 三論數(shù)字礦山——借力物聯(lián)網(wǎng)保障礦山安全與智能采礦[J]. 煤炭學(xué)報(bào)， 2012， 37（3）：357-365.

[2] DONOHO D L. Compressed sensing[J]. IEEE Transactions on Information Theory， 2006，52（4）：1 289-1 306.

[3] DUARTE M F， SARVOTHAM S， BARON D， et al. Distributed Compressed Sensing of Jointly Sparse Signals[C]//Conference Record of the Thirty-ninth Asilomar Conference On signals. Singapore： IEEE， 2005：1 537-1 541.

[4] BARON D， DUARTE M F， WAKIN M B， et al. Distributed Compressive Sensing[C]//2010 IEEE International Conference. Singapore： IEEE， 2009：2 886-2 889.

[5] 徐永剛.礦山數(shù)據(jù)壓縮采集與重建方法研究[D].徐州：中國(guó)礦業(yè)大學(xué)，2013.

[6] 杜鵑.煤礦物聯(lián)網(wǎng)中壓縮感知理論算法研究[D].南京：南京郵電大學(xué)，2011.

[7] 徐勇.分布式壓縮感知的算法及其應(yīng)用研究[D].武漢：中國(guó)地質(zhì)大學(xué)， 2015.

[8] 康莉， 謝維信， 黃建軍，等. 無(wú)線傳感器網(wǎng)絡(luò)中的分布式壓縮感知技術(shù)[J]. 信號(hào)處理， 2013， 29（11）：

1 560-1 567.

[9] 袁清國(guó)， 于忠陽(yáng)， 魏民. 物聯(lián)網(wǎng)技術(shù)在煤礦的應(yīng)用研究[J]. 山東煤炭科技， 2011（5）：138-140.

[10] LUO C， WU F， SUN J， et al. Compressive data gathering for large-scale wireless sensor networks[C]//International Conference on Mobile Computing and NETWORKING. New York： ACM， 2009：145-156.

[11] 張然， 李菲菲， 張申，等. 一種礦震監(jiān)測(cè)的WSNs按需分層時(shí)間同步算法[J]. 中國(guó)礦業(yè)大學(xué)學(xué)報(bào)， 2014， 43（6）：1 046-1 050.

[12] 韓國(guó)將， 王成， 杜澤生，等. 微震監(jiān)測(cè)技術(shù)在煤礦沖擊地壓預(yù)測(cè)中的應(yīng)用[J]. 中州煤炭， 2015（11）：37-41.

[13] TROPP J A， GILBERT A C. Signal Recovery From Random Measurements Via Orthogonal Matching Pursuit[J]. IEEE Transactions on Information Theory， 2008， 53（12）：4 655-4 666.

[14] WANG J，KWON S，SHIM B.Correction to “Generalized Orthogonal Matching Pursuit”[J].IEEE Transactions on Signal Processing，2013，61（4）：1 057-1 057.

[15] DO T T， GAN L， NGUYEN N， et al. Sparsity adaptive matching pursuit algorithm for practical compressed sensing[C]//Signals， Systems and Computers， 2008， Asilomar Conference. Pacific Grove：IEEE Xplore， 2008：581-587.

（責(zé)任編輯：李 麗，編輯：丁 寒）